論文の概要: AI-based Prediction of Biochemical Recurrence from Biopsy and Prostatectomy Samples

• arxiv url: http://arxiv.org/abs/2601.21022v1
• Date: Wed, 28 Jan 2026 20:33:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.42615
• Title: AI-based Prediction of Biochemical Recurrence from Biopsy and Prostatectomy Samples
• Title（参考訳）: AIによる生検・前立腺摘出標本からの生化学的再発の予測
• Authors: Andrea Camilloni, Chiara Micoli, Nita Mulliqi, Erik Everett Palm, Thorgerdur Palsdottir, Kelvin Szolnoky, Xiaoyi Ji, Sol Erika Boman, Andrea Discacciati, Henrik Grönberg, Lars Egevad, Tobias Nordström, Kimmo Kartasalo, Martin Eklund,
• Abstract要約: 根治的前立腺切除術後の生化学的再発(BCR)は,前立腺がんに対する補助的マーカーである。 我々は、BCRの患者固有のリスクを予測するために、前立腺生検スライドの診断に関するAIベースのモデルを訓練した。
• 参考スコア（独自算出の注目度）: 0.012216782333971603
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Biochemical recurrence (BCR) after radical prostatectomy (RP) is a surrogate marker for aggressive prostate cancer with adverse outcomes, yet current prognostic tools remain imprecise. We trained an AI-based model on diagnostic prostate biopsy slides from the STHLM3 cohort (n = 676) to predict patient-specific risk of BCR, using foundation models and attention-based multiple instance learning. Generalizability was assessed across three external RP cohorts: LEOPARD (n = 508), CHIMERA (n = 95), and TCGA-PRAD (n = 379). The image-based approach achieved 5-year time-dependent AUCs of 0.64, 0.70, and 0.70, respectively. Integrating clinical variables added complementary prognostic value and enabled statistically significant risk stratification. Compared with guideline-based CAPRA-S, AI incrementally improved postoperative prognostication. These findings suggest biopsy-trained histopathology AI can generalize across specimen types to support preoperative and postoperative decision making, but the added value of AI-based multimodal approaches over simpler predictive models should be critically scrutinized in further studies.
• Abstract（参考訳）: 根治性前立腺癌 (RP) 術後の生化学的再発 (BCR) は, 進行性前立腺癌の予後不良因子である。 我々は,STHLM3コホート(n = 676)の診断前立腺生検スライドに基づくAIベースのモデルを構築し,BCRの患者固有のリスクを予測する。 汎用性は、LEOPARD (n = 508), CHIMERA (n = 95), TCGA-PRAD (n = 379)の3つの外部RPコホートで評価された。 画像に基づくアプローチは、それぞれ0.64、0.70、0.70の5年間の時間依存型AUCを達成した。 臨床変数の統合は相補的予後を付加し、統計的に有意なリスク階層化を可能にした。 ガイドラインに基づくCAPRA-Sと比較すると,AIは術後予後を徐々に改善した。 これらの結果から, バイオプシーを訓練した病理組織学は, 術前および術後の意思決定を支援するために, 標本タイプ全体にわたって一般化できる可能性が示唆された。

関連論文リスト

• Breast Cancer Recurrence Risk Prediction Based on Multiple Instance Learning [0.0]
  本研究は,HematoxylinおよびEosinstened whole-slide image(WSIs)を用いた深層学習における計算病理の可能性について検討する。 CLAM-SB, ABMIL, ConvNeXt-MIL-XGBoostの3つのマルチインスタンス学習フレームワークを, 210症例の社内データセット上で開発・比較した。 5倍のクロスバリデーションでは、改良されたCLAM-SBモデルが最も高い性能を示し、平均曲線下面積(AUC)は0.836で、分類精度は76.2%であった。
  論文  参考訳（メタデータ） (2025-12-21T13:46:50Z)
• PROFUSEme: PROstate Cancer Biochemical Recurrence Prediction via FUSEd Multi-modal Embeddings [2.83458288358676]
  前立腺癌(PCa)患者の約30%は生化学的再発(BCR)を経験し、前立腺特異抗原(PSA)の増加と死亡率の増加を特徴とする。 PROFUSEme(Fused Multi-modal Embeddings)による前立腺癌BCRの予測を提案し,臨床,放射線学,病理学のクロスモーダルな相互作用を学習する。
  論文  参考訳（メタデータ） (2025-09-17T14:54:29Z)
• Histopathology Based AI Model Predicts Anti-Angiogenic Therapy Response in Renal Cancer Clinical Trial [0.6087644423424302]
  本稿では,ユビキタスな病理組織スライドからAngioscoreを予測するための新しい深層学習(DL)手法を提案する。 本モデルでは, モデル予測の基盤となる視覚血管ネットワークを生成する。 我々のアプローチは血管新生生物学とAA治療反応に関する知見を提供する。
  論文  参考訳（メタデータ） (2024-05-28T16:21:20Z)
• Prediction of Breast Cancer Recurrence Risk Using a Multi-Model Approach Integrating Whole Slide Imaging and Clinicopathologic Features [0.6679306163028237]
  本研究の目的は,スライド画像全体と臨床病理学的データを分析し,関連する乳癌再発リスクを予測するマルチモデルアプローチを開発することである。 提案手法では,特徴抽出に畳み込みニューラルネットワーク,コンテキストアグリゲーションに視覚変換器を用いる。
  論文  参考訳（メタデータ） (2024-01-28T23:33:56Z)
• Neural Network-Based Histologic Remission Prediction In Ulcerative Colitis [38.150634108667774]
  潰瘍性大腸炎(UC)の新しい治療標的としての組織学的寛解 内視鏡(Endocytoscopy、EC)は、新しい超高倍率内視鏡技術である。 本稿では,心電図の組織学的疾患活動を評価するニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-28T15:54:14Z)
• Regression-based Deep-Learning predicts molecular biomarkers from pathology slides [40.24757332810004]
  我々は,画像から直接バイオマーカーを予測する自己監督型弱教師付き回帰手法を開発し,評価した。 回帰を用いて、バイオマーカー予測の精度を著しく向上させ、また、分類よりも結果の解釈可能性を向上させる。 我々のオープンソースレグレッションアプローチは、計算病理学における連続バイオマーカー解析に有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2023-04-11T11:43:51Z)
• Towards Outcome-Driven Patient Subgroups: A Machine Learning Analysis Across Six Depression Treatment Studies [41.34047608276278]
  神経回路モデルを用いてうつ病の薬理学的治療6治験のデータを解析した。 5種類のモノセラピーと3種類の併用療法に対して,寛解率と解離確率を分類し,個別解離確率を推定するモデルを構築した。 ポストホック分析は、トレーニング中に学んだ患者プロトタイプに基づいてクラスター(サブグループ)を得た。
  論文  参考訳（メタデータ） (2023-03-24T14:34:09Z)
• Deep learning-based approach to reveal tumor mutational burden status from whole slide images across multiple cancer types [41.61294299606317]
  腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。 ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。 本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T07:02:32Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。